一种基于LBP和GLCM融合的气象雷达地物杂波识别新算法*

李 栋 刘光普 梁铭峰 王 印 李英祥 钟剑丹

（1.福建省大气探测技术保障中心 福州 350008）（2.成都信息工程大学通信工程学院 成都 610225）

1 引言

自改革开放以来，我国现已完成基本覆盖全国人口居住区的天气雷达网络。由于我国地貌复杂，地形多变，新一代天气雷达应用过程中还存在风廓线和天气雷达产品部分质控算法和质控业务体系尚未完善等问题。气象雷达主要观测雨水、冰雹和雪等水凝物粒子，但在气象雷达上通常会检测到一些其他物体，例如昆虫、鸟类、地面物体，飞机等。由于雷达波束的轨迹是从靠近雷达站点的地面到远离雷达站点的较高海拔，因此在雷达站点附近地物杂波显示最多，对近地面的气象图像影响很大。新一代天气雷达目前依靠识别静止像素以达到对目标是否运动的判断，此方法能消除大部分地物杂波，但地物杂波仍然无法完全识别到位。这是一个困扰气象雷达图识别的问题，目前还是依靠相关从业人员通过人工肉眼的手段判别出地物杂波的存在。

围绕雷达地物杂波的自动识别，杜言霞等提出综合识别法去除风廓线雷达地物杂波的可行性研究［1］。侯庆禹等提出了一种结合keystone变换在频率域-多普勒域联合提取目标信号和抑制杂波的新方法［2］，但都没有很好地解决块状地物杂波与杂散地物杂波同时存在的问题。在参考P.Mohanaiah［3］，CC.Gao［4］等提出的GLCM算法的基础上，黄云仙等提出一种基于灰度共生矩阵的自适应雷达杂波抑制的方法［5~6］，解决了杂散地物杂波的识别。针对气象雷达回波图中块状和杂散地物杂波共存情况下的识别问题，本文提出了一种基于LBP和GLCM融合的气象雷达杂波识别新算法。通过这种新方法，我们在福建气象雷达图上进行实验，实现结果表明，此方法可行有效。

2 基于地物杂波基本特性判断其存在性

当多普勒气象雷达进行扫描时，几乎所有物体反射表面都会产生雷达回波。因此，气象雷达接收波束中掺杂着许多地物杂波信号，尤其在雷达低仰角的扫描区域频繁出现［13~14］。大气散射体的回波与地面目标的回波之间的关键区别，是在于相对于地面是否存在相对运动。本文利用地物杂波这一特性，首先选取多普勒气象雷达回波基本反射图中强度达到一定阈值区域并记录坐标，随后把坐标映射在具有相同扫描半径与仰角的气象雷达回波速度图中，通过这一区域的速度是否接近零来判断是否存在地物杂波。

3 气象雷达图像特征提取

3.1 基于局部二进制模式（LBP）特征提取

LBP（Local Binary Patterns，局部二进制模式）是一种理论简单、计算高效的非参数局部纹理特征描述算子。由于其具有较高的特征鉴别力和较低的计算复杂度，近期获得了越来越多的关注，在图像分析、计算机视觉和模式识别领域得到了广泛的应用［7］，在图像处理中受到广泛青睐。对于一个3*3的区域，通过将中心点像素灰度强度与其相邻像素灰度强度进行比较得出最基本的LBP结果。对于像素点的选取和过程的选取取决于中心像素点P与相邻像素点Px，函数表达式如（1）所示。

式（1）所得到的结果为中心像素点灰度通过阈值处理后再进行二进制加权（这相当于对与中心点相邻的点进行阈值处理，然后再将代码展开为二进制代码），因此，具有八个邻域点的LBP算法公式：

这样处理的结果是该局部二进制模式所对应的二进制数就成为一个等价模式类。图1为基本的LBP算子的计算过程。一幅图像通过LBP算子计算后，得到的仍然是一幅图像，记录着每个像素点的LBP值，称为LBP图谱。

图1 灰度图像通过LBP算法提取图像LBP特征

3.2 LBPH算法介绍

在LBP的应用中，如纹理分类、人脸特征提取等，不会将LBP算子的输出结果直接用于分类识别，而是间接的采用LBP图谱的统计直方图作为特征向量用于分类识别。本文使用局部二值模式直方图（Local Binary Pattern Histogram，LBPH）算法［8~9］进行纹理识别。其基本思想是可以将待识别图像划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征，统计每个子区域中LBP特征的出现频率，并进行归一化处理，即可在每个子区域内建立LBP特征的统计直方图。如此一来，每个子区域，就可以用一个统计直方图来进行描述；整个待分析的图片就由若干个统计直方图组成，利用相似性度量函数，就可以判断两幅图像之间的相似性。对于雷达回波图像而言，当图像通过LBPH算法提取特征时，LBPH算法使用直方图作为纹理描述符将输入气象图像与数据库中的同一地区的地物杂波特征进行匹配，若找到匹配时，则可以判别并标记该区域存在块状地物杂波。

3.3 灰度共生矩阵（GLCM）

灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）是一种广泛被用于纹理分析的方法［10~11］，尤其适用于随机纹理。GLCM是图像中出现像素亮度值（灰度级）的不同组合的频率的列表。共生矩阵计算的优点在于，一对共同出现的像素对可以参考距离和角度甚至空间关系，并加入其关联性的计算［15］。例如同时考虑两个像素之间的关系一样，通过这种方式来显示出灰度级和它们的位置的组合，如图2所示。计算GLCM时，可以通过改变计算方向（偏移的旋转角度：0°、45°，90°，135°）和位移矢量（像素到目标像素的距离）来定义像素关系。本文采取了位移矢量为1，角度为0°、45°、90°和135°的方式计算GLCM特征值。

图2 灰度图像通过GLCM算法提取图像GLCM

下面为常用的GLCM特征值［12］，通过这些特征值可以将GLCM值表示为特征向量。

1）对比度（Contrast）：表示整个图像上像素与其邻居之间的强度对比度的测量值，反映了其灰度沟纹的深度与厚度，表现了图像灰度对比度的差别。对比度（Contrast）定义如下：

2）相关性（Correlation）：表示一个像素与整个图像上的邻居相关性的度量，反映了灰度图像中灰度的相关性情况。相关性（Correlation）定义如下：

3）能量（Energy）：表示GLCM中平方元素的总和，反应了图像灰度分布均匀程度和纹理细度。能量（Energy）定义如下：

灰度共生矩阵（Gray level co-occurrence matrix）是检测像素空间关系的纹理的统计方法。通过将原图像分成特定灰度等级的灰度图，计算特定方向和指定空间关系的像素对在图像中出现的频率并创建GLCM，然后根据GLCM特征值的计算公式从该矩阵中提取统计度量来表征图像的纹理。杂散的地物杂波在雷达回波图像上强度变化比较剧烈，而气象雷达回波图的图像成像具有良好的回波连续特性。基于地物杂波的突变特性，则通过计算指定区域GLCM的能量，相关性，对比度这些参量在不同角度上特征向量，从而筛选出图像阈值的门限，这样就能达到识别出地物杂波的目的。

3.4 地物杂波的识别方法

首先，由于地物杂波在气象回波图中具有速度接近于零且像素强度很高的特征表现，本文首先筛选出在气象雷达基本回波图中像素强度满足一定阈值且同时满足速度接近于零的像素区域作为待处理区域。其次，对待处理区域将用LBP算子相邻平铺待处理区域（算子像素尺寸取值稍大于较大块杂波像素区域即可），计算LBP算子，并将计算结果转化为局部二进制编码直方图。将所得的直方图与数据库中的此区域的杂波局部特征直方图进行相似度对比，则可以识别待处理区域中的块状地物杂波。最后将此待识别区域进行一定数量的图像分割，基于地物杂波的像素边缘与自身空间强度的突变特性，则可以利用GLCM矩阵对分割后的待识别区域进行计算和分析，并将所得结果与预先设定好的能量与对比度的阈值进行比较筛选，对杂散的点状地物杂波进行进一步识别定位。

图3 对于点状分布多普勒气象雷达地物杂波回波强度与像素强度条件筛选效果

4 识别过程

1）首先在低仰角的多普勒气象雷达回波基本反射率图上，选择强度达到一定阈值的区域并记录坐标，随后把坐标映射在具有相同扫描半径与仰角的气象雷达回波速度图中。通过判这一区域的速度是否为接近零来判断是否疑似存在地物杂波。

2）经过初次判断地物杂波的处理流程后，针对存在疑似块状的地物杂波气象回波图，首先使用局部二值模式直方图（LBPH）算法进行纹理识别，由于气象雷达是扫描一定区域的气象回波，先筛选出通常存在地物杂波的区域，将这块区域的图像通过LBP计算以构建直方图，然后通过LBPH算法所得直方图作为纹理描述符将输入气象图像与数据库中的同一地区的地物杂波特征进行相似度对比，判断是否存在块状地物杂波。

3）若经过识别块状地物杂波的处理流程后，针对需要判断的区域仍然存在疑似杂散分布的地物杂波的情况，则通过灰度共生矩阵（GLCM）的熵、能量、偏斜、平均值这些参量在不同角度上特征向量的提取从而筛选出图像阈值的门限，对杂散地物杂波进行二次识别。

融合了LBP和GLCM的识别气象雷达地物杂波的新算法流程图如图4所示。

图4 LBP与GLCM融合纹理特征提取与自动识别杂波处理流程框图

5 结果数据分析

首先，本方法先使用LBPH算法对杂波所在区域图像进行特征分析后再与数据库中以往相同区域中的位置所存在地物杂波的区域的LBP直方图进行相似度对比，LBP算法使用直方图作为纹理描述符将输入面与数据库中的所有面进行匹配，将福建某地56张点状与块状都具有的地物杂波图片通过LBP算法后以计算对块状与点状地物杂波的辨别。图5中（a）图展示了一张福建某地具有地物杂波的图像，（b）图中展示了图像裁剪后的效果，（c）图展示了对其中某幅图像提取的LBP直方图特征。图6（a）是经过本文所述算法在含有块状地物杂波图像中提取的LBP直方图；图6（b）为数据库中存储的块状地物杂波图像的LBP直方图；图6（c）表示二者之间的差异。由此可见二者之间差异较小，LBPH算法在识别地物杂波方面取得了较好的效果。

图5 1月15日福建某地杂波实例分析过程图

图6 LBP所提取特征通过局部二值模式直方图表示

通过GLCM的阈值来识别杂波图像区域杂波的分布，每一张包含杂波区域的图像被分割成若干张小图片，多张分割图片经过GLCM矩阵计算统计过后，通过前面像素强度分布直方图可以知道像素点突变的地方从而设置阈值来寻找出杂波的位置所在。经过灰度共生矩阵（GLCM）所提取的二阶统计量特征是可用于图像分析的纹理参数。图7（a）、（b）、（c）、（d）展示了对图像GLCM特征提取，分别在0°、45°、90°和135°等方向上计算对比度、能量和对比度。对比度反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，反差越大，效果清晰；反之，对比值小，则沟纹浅，效果模糊。能量是对图像纹理的灰度变化稳定程度的度量，反映了图像灰度分布均匀程度和纹理粗细度。能量值大表明当前纹理是一种规则变化较为稳定的纹理。相关性是度量灰度共生矩阵元素在行或列方向上的相似程度，因此，相关性值的大小反映了图像中局部灰度相关性。在筛选杂波时，应选择对比度大、能量小、相关性小的区域。图7可以清楚地看到若干位置的对比度统计值较大而能量、相关性统计值较小，则这些位置出现杂波的概率也较大。

图7 地物杂波特征图

本文结合LBP和GLCM算法，基于Python3.6在Windows 7环境下实现了本算法，图8中展示了针对图像分割与杂波识别的一个实例，可以看出本文算法展现出较好的识别能力。

图8 通过GLCM所得阈值筛选后对分割后含有地物杂波的图片进行识别效果图

6 结语

本文提出一种基于LBP与GLCM共生灰度融合的高效识别地物杂波的算法，针对多普勒气象雷达图像中地物杂波的像素突变特性与其不同方位角的各项纹理特征信息展开研究。仿真实验表明，本文新算法中综合应用了LBP算子与GLCM中的相关性、对比度、能量相结合来描述纹理特征，从而提升了对特征表述能力。通过设置合适的阈值，本文提出的新算法对气象雷达雷达回波图中的块状地物杂波、杂散地物杂波所分别具有的纹理特性与像素特性具有较好的筛选与识别效果。